การลงทุน AI ที่ให้ผลตอบแทนสูงสุดในขณะนี้คือการแก้ไขโค้ดเก่า ไม่ใช่การเขียนโค้ดใหม่

ทุกครั้งที่ฉันเข้าร่วมการนำเสนอผลิตภัณฑ์ AI จะเริ่มต้นด้วยการแสดงให้เห็นถึงความสามารถในการสร้างแอปพลิเคชันใหม่ภายในเวลาไม่กี่นาที นี่เป็นเทคนิคที่น่าประทับใจ แต่ฉันคิดว่ามันไม่ใช่สิ่งที่น่าสนใจที่สุดในด้าน AI สำหรับองค์กรในขณะนี้

งานที่มีผลกระทบมากกว่านี้เกิดขึ้นในสถานที่ที่ไม่น่าดึงดูดใจ เช่น ฐานโค้ดที่มีอายุ 15 ปี ที่ไม่มีใครต้องการสัมผัส ซึ่งถูกเขียนโดยวิศวกรที่ออกจากบริษัทไปเมื่อ 10 ปีที่แล้ว และมีตรรกะทางธุรกิจที่ไม่มีใครเข้าใจอย่างเต็มที่ ส่วนใหญ่ของการรายงานเกี่ยวกับ AI จะกล่าวถึงสิ่งนี้ในทางที่ผิด โค้ดเก่าไม่ใช่หนี้สินทางเทคนิค แต่เป็นความฉลาดทางธุรกิจที่สะสมไว้: การตัดสินใจที่ทำไว้หลายสิบปี ซึ่งถูกเขียนเป็นซอฟต์แวร์ โดยผู้ที่ทำการตัดสินใจเหล่านั้นได้ออกจากไปแล้ว

การสร้างระบบใหม่จะได้รับการเน้นย้ำในงานประชุม แต่โค้ดเก่าได้รับการลงทุนอย่างไม่เต็มใจ และมักจะไม่มีการเข้าใจที่เพียงพอในการใช้จ่ายนั้น

การขาดแคลนที่แท้จริงไม่ใช่วิศวกร แต่เป็นหน่วยความจำ

นี่ไม่ใช่ปัญหาเฉพาะหนึ่งกรณี การศึกษาของ Pegasystems ในปี 2025 ซึ่งจัดทำโดย Savanta โดยมีผู้ตัดสินใจด้าน IT มากกว่า 500 คนจากทั่วโลก 估计ว่าบริษัทขนาดใหญ่เฉลี่ยทั่วโลกจะสูญเสียเงินมากกว่า $370 ล้านต่อปี เนื่องจากไม่สามารถปรับปรุงระบบเก่าได้อย่างมีประสิทธิภาพ โดยมีเงินเกือบ 134 ล้านดอลลาร์ที่เกี่ยวข้องกับโครงการเปลี่ยนแปลงที่ช้าและใช้ทรัพยากรมาก

เราทำงานร่วมกับบริษัทจำหน่ายแบตเตอรี่ที่ใช้มากกว่า 15 แอปพลิเคชันเก่า ซึ่งเป็นปัญหาที่สะสมมาเป็นเวลา 20 ปีของการควบรวมกิจการ การรวมระบบแบบเฉพาะและการแก้ปัญหาโดยวิศวกรโดยไม่คิดถึงปัญหาในอนาคต ในโค้ดเหล่านั้นมีกฎการกำหนดราคา ระดับสต๊อก และข้อจำกัดในการกระจายสินค้า ซึ่งแสดงถึงการตัดสินใจของสถาบันหลายปี ซึ่งถูกเขียนไว้ไม่แห่งไหนนอกจากในตรรกะที่ไม่มีใครเข้าใจอย่างเต็มที่

มีความพยายามที่จะเรียกสิ่งนี้ว่าเป็นปัญหาเรื่องคน แต่คุณไม่สามารถจ้างวิศวกรได้มากพอที่จะแก้ปัญหาที่ว่าคนเดิมที่เข้าใจว่าทำไมโมดูลหนึ่งทำงานใน某一种方式ได้ลาออกไปในปี 2014 ส่วนใหญ่ขององค์กรที่มีปัญหาเรื่องการขาดแคลนหน่วยความจำ ไม่ใช่การขาดแคลนวิศวกร และจนกระทั่งไม่นานมานี้ ไม่มีทางแก้ไขปัญหานี้ในระดับใหญ่ คุณต้องจ่ายเงินให้วิศวกรอาวุโสเพื่อให้พวกเขารักษาความรู้ของสถาบันไว้ในหัวของตนเองอย่างไม่มีกำหนด หรือคุณจะสูญเสียมันไปในวันที่พวกเขาออกจากงาน

สิ่งที่ AI เปลี่ยนแปลงจริงๆ

เราไม่ได้ใช้เครื่องมือสร้างโค้ดเพื่อเขียนโค้ดใหม่ทั้งหมด นั่นคือวิธีการที่คุณลบตรรกะทางธุรกิจที่คุณไม่เคยรู้ว่ามีอยู่ เราใช้ตัวแทน AI เพื่อทำการเตรียมงานที่ไม่น่าดึงดูดใจก่อน: วาดภาพว่าแอปพลิเคชันมากกว่า 15 ตัวเชื่อมต่อกันอย่างไร แสดงการตัดสินใจที่ฝังอยู่ในตรรกะที่ไม่เคยเขียนไว้ที่ไหนอื่น และเก็บข้อมูลนั้นไว้เป็นบางสิ่งที่องค์กรสามารถสืบค้นได้ ไม่ใช่สิ่งที่มีไว้เพียงในหัวของวิศวกรคนหนึ่งเท่านั้น สิ่งนี้สอดคล้องกับสิ่งที่ผู้ขาย AI อื่นๆ กำลังเผยแพร่สาธารณะ: คำแนะนำของ Anthropic เกี่ยวกับการปรับปรุงระบบ COBOL โดยใช้ Claude Code อธิบายลำดับเดียวกัน โดยอัตโนมัติในการสำรวจและวิเคราะห์ขั้นตอนก่อนที่จะเขียนโค้ดใหม่

ตัวแทนเหล่านั้นไม่ได้รับการประเมินจากจำนวนโค้ดที่พวกมันสร้าง แต่จากจำนวนความรู้ของสถาบันที่พวกมันสามารถแสดงและเก็บไว้ได้ วิศวกรทำงานร่วมกับพวกมันในการย้ายระบบและสร้างการทดสอบ โดยตรวจสอบการวิเคราะห์ตรรกะทางธุรกิจของตัวแทนเหล่านั้นเทียบกับวิธีการทำงานของระบบในผลิต ไม่ใช่การเชื่อใจโดยไม่มีการตรวจสอบ สัญญาณที่มีประโยชน์ที่เราติดตาม: การอธิบายกฎของตัวแทนนั้นตรงกับรูปแบบที่เราสามารถยืนยันในบันทึกการผลิตหรือไม่ หรือเป็นเพียงการเดาเท่านั้น? ช่องว่างระหว่างทั้งสองนั้นคือที่ที่โครงการปรับปรุงระบบเก่าปกติจะผิดพลาด

การประมาณการเดิมสำหรับโครงการนี้คือ 8.5 เดือน แต่ปิดลงใน 4 เดือน ซึ่งเป็นการลดลง 53% แต่ผลลัพธ์ที่ทนทานมากกว่านั้นไม่ใช่ระยะเวลา แต่ความรู้ของสถาบันที่เคยหายไปทุกครั้งที่วิศวกรคนหนึ่งออกจากบริษัทกลายเป็นสิ่งที่องค์กรสามารถรักษาไว้ได้

วิศวกรซอฟต์แวร์ใช้เวลาสองทศวรรษในการเขียนซอฟต์แวร์ ทศวรรษหน้าอาจใช้ในการค้นหา ซึ่ง AI ทำหน้าที่ไม่เหมือนผู้เขียน แต่เหมือนนักโบราณคดี โดยสร้างตรรกะที่ฝังอยู่ในโค้ดที่มีอายุยาวนานกว่าผู้ที่เขียนมัน

กรอบการทำงานที่ไม่ทำลายสิ่งที่มีอยู่

โครงการที่ประสบความสำเร็จดูเหมือนจะทำตามลำดับเดียวกัน ไม่ว่าระบบจะเป็นเครื่องมือกำหนดราคาหรือการประมวลผลการเรียกร้อง:

ค้นหา: วาดภาพว่าระบบเชื่อมต่อกันอย่างไร ไม่ใช่วาดตามแผนการออกแบบจากปี 2016

เข้าใจ: ให้ตัวแทนแสดงตรรกะทางธุรกิจและสมมติฐานเบื้องหลังในภาษาที่ผู้เชี่ยวชาญด้านสามารถตรวจสอบได้

ตรวจสอบ: ตรวจสอบการวิเคราะห์นั้นเทียบกับการทำงานจริงในผลิต ไม่ใช่แค่เทียบกับคำอธิบายของโค้ด

แปลง: ย้ายหรือสร้างใหม่เฉพาะเมื่อสามขั้นตอนแรกถือว่าถูกต้อง โดยมีมนุษย์เป็นเจ้าของการอนุมัติ

ถ้าคุณข้ามไปที่ขั้นตอนการแปลงโดยตรง คุณจะไม่ได้ปรับปรุงระบบ คุณกำลังเสี่ยงโดยไม่เข้าใจตรรกะก่อน

ทำไมสิ่งนี้จึงมีความสำคัญเกินกว่าทีมวิศวกร

ความจำของสถาบันไม่เพียงแต่เสื่อมลงเมื่อวิศวกรอาวุโสออกจากงาน แต่ยังเป็นภาระผูกพันที่รุนแรงในเวลาที่ธุรกิจไม่สามารถจ่ายได้: ในระหว่างการ การควบรวมกิจการ เมื่อเจ้าของใหม่ต้องเข้าใจว่าพวกเขาได้ซื้ออะไร; ในระหว่าง การย้ายระบบ ERP เมื่อตรรกะเก่าจำเป็นต้องถูกแปลเป็นระบบใหม่ให้ถูกต้องครั้งแรก; ในระหว่าง การตรวจสอบหรือการตอบสนองต่อเหตุการณ์ เมื่อมีคนต้องอธิบายว่าทำไมระบบจึงทำงานใน某一种方式ภายใต้ระยะเวลาที่กำหนดให้กับหน่วยงานกำกับดูแลที่ไม่ยอมรับ “คนที่สร้างมันลาออกในปี 2014” เป็นคำตอบ

เมื่อจัดการกับปัญหาเก่าในลักษณะนี้ จะไม่ใช่เพียงแค่รายการในงบประมาณของทีมวิศวกร แต่เป็นคำถามเกี่ยวกับความยืดหยุ่นขององค์กร ซึ่งหมายความว่าไม่ใช่แค่ CTO ที่ควรสนใจ แต่ยังรวมถึง CIO ที่ต้องคำนึงถึงสิ่งที่เกิดขึ้นเมื่อพนักงานทางเทคนิคหลักออกจากงาน ทีม M&A ที่พยายามประเมินสิ่งที่พวกเขากำลังซื้อ และคณะกรรมการที่คิดเกี่ยวกับวิธีการที่องค์กรสามารถรักษาความรู้การดำเนินงานไว้ได้

ข้อจำกัดที่สำคัญ

สิ่งนี้ไม่ทำงานโดยไม่มีการดูแลรักษา การใช้แนวทางนี้ที่มีความเสี่ยงมากที่สุดคือเมื่อการตีความของตัวแทนเกี่ยวกับตรรกะทางธุรกิจเก่าได้รับการเชื่อใจโดยไม่มีการตรวจสอบ เนื่องจากระบบเก่าเป็นสถานที่ที่สมมติฐานที่มั่นใจแต่ผิดของ AI มีค่าใช้จ่ายมากที่สุด ความสามารถในการทำงานอัตโนมัติเต็มรูปแบบสำหรับบริการใหม่ล่าสุดเป็นการเดิมพันที่สมเหตุสมผล การทำงานอัตโนมัติเต็มรูปแบบสำหรับเครื่องมือกำหนดราคาไม่มีใครสัมผัสตั้งแต่ปี 2011 ไม่ใช่ คุณค่านั้นคือ AI ทำให้สามารถกลายเป็นวิศวกรที่เข้าใจธุรกิจอีกครั้งสำหรับระบบที่ไม่มีใครเข้าใจ มันไม่ได้แทนที่พวกเขา

ที่ที่ฉันคิดว่ามันจะไปต่อ

ในช่วง 20 ปีที่ผ่านมา องค์กรต่างๆ ได้รักษาโค้ดเก่าไว้เพียงเพื่อหลีกเลี่ยง: เป็นศูนย์กำไรที่ต้องให้ทุนโดยไม่เต็มใจและปรับปรุงให้เร็วที่สุดเท่าที่งบประมาณจะอนุญาต ฉันคิดว่า AI กำลังจะแสดงให้เห็นว่าโค้ดเก่าจำนวนมากเป็นหนึ่งในคลังความรู้ที่มีค่าที่สุดของธุรกิจ มันแค่ต้องการบางสิ่งที่สามารถอ่านมันได้ นักวิจัยกำลังบันทึกอีกด้านหนึ่งของวงจรนี้: การตรวจสอบวรรณกรรมหลายเสียงในปี 2026 เกี่ยวกับการพัฒนาที่ได้รับการช่วยเหลือจาก LLM พบว่าการแสวงหาความเร็วที่เร่งด้วย AI ในปัจจุบันสร้าง “หนี้การผสานเร็ว” ซึ่งเป็นโค้ดที่จัดส่งเร็วกว่าที่จะเข้าใจได้ การปรับปรุงระบบเก่าเป็นเพียงการเรียกเก็บเงินนั้นซึ่งมาถึงเร็ว 20 ปี

ฉันอยากทราบว่าผู้นำด้านวิศวกรรมและเทคโนโลยีอื่นๆ ได้เห็นการเปลี่ยนแปลงในลักษณะเดียวกันหรือไม่: การลงทุน AI ของคุณให้ผลตอบแทนสูงสุดในเรื่องที่คุณสร้างหรือในเรื่องที่คุณเข้าใจและรักษาไว้ได้? และสำหรับใครที่เคยใช้ตัวแทน AI กับระบบเก่าและไม่มีการจัดทำเอกสารที่แท้จริง ที่ไหนที่ความเข้าใจของตัวแทนทนทานต่อการตรวจสอบ และที่ไหนที่มันล้มเหลวอย่างเงียบๆ?